Utilisation des instruments économiques pour réduire l’épuisement des eaux souterraines dans le contexte du changement climatique : cas de l’aquifère de Mahdia-Ksour Essef en Tunisie
Bibliographic record
Abstract
La gestion durable des aquifères dans les régions arides et semi-arides est cruciale pour assurer la durabilité socio-environnementale. La régulation des prélèvements d’eau souterraine peut être réalisée à travers plusieurs instruments. La modélisation hydro-économique fournit des perspectives pour l’analyse de l’efficacité de ces instruments en vue d’une gestion efficace des ressources en eau. En effet, ces modèles offrent aux décideurs des informations importantes qui peuvent les aider à optimiser leurs décisions en matière d’allocation de l’eau. Cette étude évalue l’impact des instruments économiques tels que les quotas, la taxe environnementale et le système quota-taxe, sur la durabilité de l’aquifère Mahdia-Ksour Essef ainsi que sur l’économie locale, tout en intégrant les projections climatiques futures grâce à la modélisation hydro-économique. En explorant divers scénarios de gestion de l’eau, l’étude fournit des recommandations pour améliorer l’allocation des ressources. Les politiques de quotas, ajustés en fonction de la recharge naturelle, ainsi que les taxes et le système quota-taxe sont examinés et comparés au scénario de statu quo. Les résultats montrent que les politiques basées sur les quotas permettent une reconstitution plus rapide de l’aquifère et génèrent des revenus totaux après taxes supérieurs à ceux avant taxes. Par exemple, sous le scénario de changement climatique le plus pessimiste, le quota de préservation de la ressource en eau pour les générations futures pourrait augmenter le niveau de l’aquifère à la fin de la période de simulation de 1,69 m. Ces politiques pourraient influencer les revenus agricoles, en favorisant des cultures plus rentables et résilientes à la sécheresse, telles que les olives et les amandes. Cette étude souligne l’efficacité des modèles hydro-économiques en tant qu’approches pour évaluer la gestion des eaux souterraines. Ainsi, elle oriente les décideurs vers des choix stratégiques favorisant la durabilité et l’efficacité, particulièrement dans un contexte de changement climatique et de surexploitation des ressources en eau.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.006 | 0.008 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".